首先，读取数据集，该数据集是UCI上的心脏病患者数据集，其中包含了 303 条患者信息，每一名患者有 13 个字段记录其基本信息（年龄、性别等）和身体健康信息（心率、血糖等），此外有一个类变量记录其是否患有心脏病。详细的字段信息可见此处。
类别字段target有两个取值，代表预测类别，1 = 患病，2 = 不患病。
2.训练/测试集划分
对数据集进行划分，设置划分比例为训练集 : 测试集 = 4 : 1。
由于数据集的同一类标签集中在一起，我们选择分组抽样选项，依据target字段进行分组，合理划分数据集。
3.构建K近邻心脏病患者分类模型
构建K近邻分类模型，将target作为我们的标签列，其余各字段均作为模型的特征列。选择计算的邻居个数为8，权重计算方式为distance，以及设置距离计算方式为manhattan距离（街区距离）。
参数列表
| 参数名称 | 参数取值 |
|---|---|
| 邻居数 | 8 |
| 权重计算方式 | distance |
| 距离计算方式 | manhattan |
4.Z-Score标准化
对age、trestbps、chol、thalach、oldpeak进行标准化处理，将不同量级的数据转化为统一量度，提高数据可比性。
| age | sex | cp | trestbps | chol | fbs | restecg | thalach | exang | oldpeak | slope | ca | thal | target |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1.350138 | 1 | 2 | 1.129702 | -0.622046 | 0 | 0 | 0.008235 | 0 | -0.196701 | 1 | 0 | 3 | 0 |
| -0.174618 | 1 | 2 | -0.128305 | 0.023539 | 1 | 0 | 1.004711 | 0 | -0.890351 | 2 | 3 | 2 | 1 |
| 0.696671 | 1 | 3 | 0.100423 | -0.204315 | 0 | 1 | -0.20839 | 0 | 1.364011 | 1 | 2 | 2 | 0 |
| -1.045907 | 1 | 1 | -0.24267 | 1.200782 | 0 | 0 | 0.874736 | 0 | -0.890351 | 2 | 0 | 2 | 1 |
| -0.501351 | 1 | 0 | 0.672245 | -0.8499 | 0 | 0 | -1.031565 | 1 | -0.109995 | 1 | 0 | 3 | 0 |
| 特征 | 均值 | 标准差 |
|---|---|---|
| age | 54.603306 | 9.1818 |
| trestbps | 132.243802 | 17.487967 |
| chol | 244.760331 | 52.665406 |
| thalach | 149.809917 | 23.081356 |
| oldpeak | 1.02686 | 1.15332 |
5.各字段基本统计信息
读取数据表后，对各个数据字段统计基本信息，包括样本数量、均值、标准差、最大最小值和上下四分位数等。
可以看出，读取的数据表均为数值型字段。从这里可以发现，各字段的样本数均为 303 ，说明无缺失值；此外。许多字段如sex、cp、fbs、restecg、exang、slope、ca和thal，其上下四分位数、中位数和最大最小值的取值有很大的重复，结合数据集详情页的统计信息，说明其为离散型数值字段；其余字段如age、trestbps等为连续型变量，在后期可以进行标准化处理。
| age | sex | cp | trestbps | chol | fbs | restecg | thalach | exang | oldpeak | slope | ca | thal | target | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 样本数 | 303 | 303 | 303 | 303 | 303 | 303 | 303 | 303 | 303 | 303 | 303 | 303 | 303 | 303 |
| 均值 | 54.3663366337 | 0.6831683168 | 0.9669966997 | 131.6237623762 | 246.2640264026 | 0.1485148515 | 0.5280528053 | 149.6468646865 | 0.3267326733 | 1.0396039604 | 1.399339934 | 0.7293729373 | 2.3135313531 | 0.5445544554 |
| 标准差 | 9.0821009898 | 0.4660108233 | 1.0320524895 | 17.5381428135 | 51.8307509879 | 0.3561978749 | 0.5258595964 | 22.9051611149 | 0.4697944645 | 1.1610750221 | 0.6162261453 | 1.022606365 | 0.6122765073 | 0.4988347842 |
| 最小值 | 29 | 0 | 0 | 94 | 126 | 0 | 0 | 71 | 0 | 0 | 0 | 0 | 0 | 0 |
| 下四分位数 | 47.5 | 0 | 0 | 120 | 211 | 0 | 0 | 133.5 | 0 | 0 | 1 | 0 | 2 | 0 |
| 中位数 | 55 | 1 | 1 | 130 | 240 | 0 | 1 | 153 | 0 | 0.8 | 1 | 0 | 2 | 1 |
| 上四分位数 | 61 | 1 | 2 | 140 | 274.5 | 0 | 1 | 166 | 1 | 1.6 | 2 | 1 | 3 | 1 |
| 最大值 | 77 | 1 | 3 | 200 | 564 | 1 | 2 | 202 | 1 | 6.2 | 2 | 4 | 3 | 1 |
6.年龄分布直方图
选取age字段画出直方图。可以看出，大多数患者年龄在38岁以上，说明心脏病的主要患病人群是中老年人。
选取target字段画出饼图，可以看出，该数据集中患有心脏病的人群比例较高，但两个类别的样本数量相差不大。
对K近邻模型进行评估。使用的方法主要为分类报告、混淆矩阵和ROC曲线。
可以看到，我们构建的K近邻模型的分类性能较为良好，总体分类正确率(accuracy)达到0.87，macor avg F1-score能达到0.87，正类样本的召回率(Recall)能达到0.94，ROC_AUC值为0.88。
分类报告(classification report)
| 标签 | 精确率(Precision) | 召回率(Recall) | F1值(F1-score) |
|---|---|---|---|
| 0 | 0.92 | 0.79 | 0.85 |
| 1 | 0.84 | 0.94 | 0.89 |
| accuracy | 0.87 | 0.87 | 0.87 |
| macro avg | 0.88 | 0.86 | 0.87 |
| weighted avg | 0.87 | 0.87 | 0.87 |
混淆矩阵(confusion matrix)
